基于灰度峰值的裂縫位置查找方法
【技術(shù)領(lǐng)域】
[0001 ]本發(fā)明屬于圖象處理技術(shù)領(lǐng)域，具體涉及一種裂縫位置查找方法。
【背景技術(shù)】
[0002]交通的便利促進(jìn)當(dāng)?shù)氐慕?jīng)濟(jì)發(fā)展，經(jīng)濟(jì)發(fā)展又反作用于交通的建設(shè)，隨著我國經(jīng)濟(jì)飛速發(fā)展，建造了大量的道路與橋梁，而這些建筑物會隨著時間推移而出現(xiàn)許多裂縫，過寬的裂縫不但影響建筑結(jié)構(gòu)的美觀，而且會導(dǎo)致混凝土中鋼筋銹蝕，加速混凝土老化，削弱建筑物的負(fù)載能力，影響建筑物的使用可靠性。不同于以往，如今的橋梁都是幾百甚至近千米長，起到了城市與城市間交通樞紐的作用，一旦發(fā)生斷裂或坍塌，輕則為交通運輸帶來不便，重則造成車禍甚至危害廣大人民群眾的生命財產(chǎn)安全。除此之外，因為中國近十幾年的經(jīng)濟(jì)飛速發(fā)展，許多橋梁也是滿負(fù)荷或超負(fù)荷地服役了十幾年，橋梁的“老齡化”也在加劇。因此，對大中型橋梁進(jìn)行定期檢測，確保這些建筑物的使用可靠性變得刻不容緩。但是，目前的人工檢測方法存在著費時費力，低效率高成本的弊端。
[0003]因此，將數(shù)字圖像處理技術(shù)應(yīng)用于橋梁表面缺陷檢測中，不僅可以提高工作效率，而且對橋梁表面缺陷的客觀評估具有重要意義。董安國等人對裂縫圖像利用譜聚類算法將連通分量聚類，再通過局部旋轉(zhuǎn)算法對裂縫的寬度進(jìn)行了二次數(shù)值計算，能去掉較多的噪聲，抗噪能力強，但是存在聚類中心點的初始化問題，并且自適應(yīng)性較差。李剛等人基于Snake主動輪廓模型圖像分割算法，融合距離傳感器信息進(jìn)行裂縫的檢測，提高了精度，卻也降低了處理效率。張雷等人采用基于視覺模型的路面裂縫檢測方法;楊美玲提出了一種改進(jìn)的Canny算子檢測裂縫的邊緣，并將連通域輪廓跟蹤算法應(yīng)用于裂縫邊緣提取，得到了連續(xù)的裂縫輪廓;Abdel-Qader等人將快速Haar小波變換與快速傅立葉變換、Sobel與Canny算子等邊緣檢測方法進(jìn)行對比，得出了快速Haar小波變換識別率高，但是存在對細(xì)微裂紋的檢測效果較差，影響裂縫的提取，而且計算量較大等問題。李廣等人利用Chen-Vese模型與Canny邊緣檢測技術(shù)相結(jié)合，使用能量函數(shù)計算目標(biāo)的能量值進(jìn)行圖像分割。進(jìn)行裂縫檢測中，最終的目的是將裂縫對象與背景分離，即將圖像進(jìn)行分割。但是由于圖像背景的復(fù)雜性，以及拍攝過程中的硬件噪聲和環(huán)境中的光影變幻，都會對圖像處理結(jié)果造成很大影響，因此在眾多的圖像分割手段中，并沒有哪一種方法能夠普遍適用于任意圖像的分割。

【發(fā)明內(nèi)容】

[0004]為了克服已有裂縫查找算法精度不高、處理噪聲點能力差的不足，本發(fā)明提供一種精度較高、抑制噪聲像素點能力良好的基于灰度峰值的裂縫位置查找方法。
[0005]本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是:
[0006]—種基于灰度峰值的裂縫位置查找方法，所述方法包括以下步驟:
[0007]I)初始化，對于目標(biāo)圖像進(jìn)行灰度變換和負(fù)相變換，將其轉(zhuǎn)換為負(fù)相灰度圖，同時設(shè)定初始閾值，過程如下:
[0008]1.1)采用RGB彩色空間下的灰度變換，將原本的彩色圖像變換為灰度圖，將灰度圖進(jìn)行負(fù)相變換，即將原本代表裂縫的較小灰度值變?yōu)檩^大值；
[0009]1.2)定義查找過程中的閾值:numi為單次連續(xù)查找的裂縫目標(biāo)點數(shù)，tre_high、tre_l0W為判斷目標(biāo)的標(biāo)準(zhǔn)差閾值上下限；
[0010]2)裂縫目標(biāo)像素點的查找，過程如下:
[0011]2.1)對于步驟1.1)中的負(fù)相灰度圖，首先查找最大的灰度像素值，并記錄其坐標(biāo)位置(xi，yi)，定義其索引值為indexi = n_i，其中η代表查找全局峰值的循環(huán)次數(shù)，i代表單次查找過程中的目標(biāo)索引值，i = l，2，3，…，nunu;
[00?2] 2.2)順時針遍歷(Xi，yi)點的直接鄰接像素p1、P2、P3、P4，計算目標(biāo)點(Xi，yi)及其直接鄰接點口1、口2、口3、口4的標(biāo)準(zhǔn)差，記為8七(^，若8七(^滿足1:代_10￥<8七(^<1:代_111811，1 < numi，則查找像素p1、p2、p3、p4中的最大值pmax，并將該像素點加入到當(dāng)前查找過程，此時i = i + l，并將Pmax記為下一個目標(biāo)點(Xi，yi)，定義其索引值indexi = n_l ；
[0013]重復(fù)步驟2.2)，直到stdi超出了tre_high、tre_low所限定的標(biāo)準(zhǔn)差閾值上下限或者查找次數(shù)i超出了 nunu所限定的單次連續(xù)查找裂縫目標(biāo)點數(shù)，則結(jié)束本次查找；
[0014]2.3)在查找過程中，將之前單次查找中被吸收為目標(biāo)點矩形區(qū)域內(nèi)的像素值置零;結(jié)束了步驟2.2)所述的單次查找后，計算原灰度圖中的類間方差值，將所有被吸收為目標(biāo)點的類記為cg，類eg點數(shù)占圖像比例為wcg，平均灰度為ucg;將未加入索引的背景記為cb，類cb點數(shù)占圖像比例為Wcb，平均灰度為Ucb，貝Ij此時圖像的總平均灰度為:UfWc^Ucg+Wcb*Ucb，類eg和類cb的類間方差為:
[0015]gn=Wcg* (Ucg-Un )2+Wcb* (Ucb-Un)2(I)
[0016]將當(dāng)前次類間方差gn與前次類間方差gn—丨相比較，2，若gn<gn—i，則跳到步驟
2.4);反之，則繼續(xù)查找剩余未被吸收為目標(biāo)的像素點中的全局最大值，并重復(fù)以上步驟，此時的n = n+l ；
[0017]2.4)結(jié)束目標(biāo)像素點的查找；
[0018]3)曲線擬合裂縫，過程如下:
[0019]3.1)得到目標(biāo)像素點(Xl，yi)的X值與y值，對于小范圍內(nèi)的單條裂縫，根據(jù)回歸分析中逆函數(shù)y = bo+bi/x來擬合此函數(shù)關(guān)系，令X7 =l/x，貝ijyzbo+bAx'，則利用線性回歸模型得到擬合yi = f( Xi)曲線;其中X是自變量，y是自變量X的函數(shù);對于圖像，將行坐標(biāo)作為X值，列坐標(biāo)作為y值，圖像左上角作為原點，即將標(biāo)準(zhǔn)的直角坐標(biāo)系順時針旋轉(zhuǎn)90°，x軸指向下，y軸指向右；
[0020]3.2)采用殘差分析計算擬合函數(shù)的各殘差分布特征，并求得k個奇異點集合(C1，
C2，…，Ck);
[0021]3.3)將得到的k個奇異點集合排除，對剩余目標(biāo)對象進(jìn)行三次曲線的擬合，輸出高次曲線的擬合結(jié)果并結(jié)束。
[0022]進(jìn)一步，所述步驟2.3)中，將之前單次查找中被吸收為目標(biāo)點矩形區(qū)域內(nèi)的像素值置零的過程為:對于同一η值，查找其對應(yīng)的橫坐標(biāo)最大值Χ.χ、最小值Xmin，縱坐標(biāo)的最大值ymax、最小值ymin，將由其組成的矩形區(qū)域中的像素值置零。
[0023]更進(jìn)一步，所述步驟2.2)中，對灰度值較大的噪聲點檢測策略為:單次查找有限個數(shù)的像素點，并將當(dāng)前次檢測結(jié)果的矩形區(qū)域內(nèi)像素值置零，減少孤立的噪聲點的影響。
[0024]所述步驟2.3)中，對目標(biāo)和背景的分割策略為:將當(dāng)前的所有目標(biāo)與背景計算所得的類間方差與前次的類間方差相比較，根據(jù)最大類間方差法，當(dāng)類間方差取得最大值時，認(rèn)為目標(biāo)與背景的差異最大。
[0025]所述步驟3.3)中，對灰度值較大的噪聲點檢測策略為:孤立的噪聲點脫離了所在的擬合曲線上，不能描述當(dāng)前的目標(biāo)裂縫，即如果當(dāng)在步驟2)中檢測出的目標(biāo)點遠(yuǎn)離擬合曲線，超出了置信區(qū)間范圍，那么該點屬于可疑點，應(yīng)當(dāng)刪除，將排除離群點后的小范圍內(nèi)單條裂縫利用高次曲線擬合，得到裂縫所在的位置。
[0026]本發(fā)明的技術(shù)構(gòu)思為:基于灰度峰值的裂縫位置查找算法，抑制背景噪聲點的影響，對小范圍內(nèi)的單條裂縫進(jìn)行自動查找。首先進(jìn)行原始圖像的灰度變換和負(fù)相變換，再利用負(fù)相灰度圖中裂縫的像素值較大的特點，進(jìn)行多次有限相似鄰接像素點的查找，利用最大類間方差法判定迭代出口，得到多個離散的目標(biāo)團(tuán)。用一次曲線進(jìn)行擬合，計算殘差值并分析排除離群點，再通過高次曲線擬合落在置信區(qū)間內(nèi)的點，得到裂縫的位置信息。
[0027]本發(fā)明的有益效果主要表現(xiàn)在:對背景中的離散噪聲點抑制能力較好，采用灰度峰值查找和曲線擬合實現(xiàn)裂縫的位置確定，降低了圖像分割的參數(shù)敏感性問題。在真實圖像上的實驗結(jié)果表明，該算法具有良好的適用性和精度，能夠有效的處理小范圍內(nèi)的單條裂縫，取得較好的查找效果。
【附圖說明】
[0028]圖1是遍歷目標(biāo)點的直接鄰接像素的示意圖。
[0029]圖2是本文算法整體框架示意圖。
[0030]圖3是基于灰度峰值的目標(biāo)像素點查找算法流程圖。
[0031 ] 圖4是樣本數(shù)據(jù)分布與單次查找過程示意圖，tre_high = 40，tre_low = 20，numi =100，其中，圖4(a)為包含有裂縫信息的負(fù)相灰度圖原始數(shù)據(jù)，通過查找圖中的全局最大值為224，計算該點及其直接鄰接像素點的標(biāo)準(zhǔn)差為28.6，落在上下限閾值范圍內(nèi)，符合要求，則記錄其坐標(biāo)為(2，3)，并標(biāo)記索引值為1_1;圖4(b)為經(jīng)過前述查找后的表示形式，接著查找索引為1_1的最大直接鄰接像素值為217，計算該點及其直接鄰接像素點的標(biāo)準(zhǔn)差為32.5，落在上下限閾值范圍內(nèi)，符合要求，則記錄其坐標(biāo)為(2，4)，并標(biāo)記索引為1_2;圖4(c)為經(jīng)過前述查找后的表示形式，接著查找索引為1_2的最大直接鄰接像素值為202，計算該點及其直接鄰接像素點的標(biāo)準(zhǔn)差為36.4，落在上下限閾值范圍內(nèi)，符合要求，則記錄坐標(biāo)為(2，5)，并標(biāo)記索引為1_3，然后不斷重復(fù)這樣的鏈?zhǔn)讲檎遥粓D4(d)為查找到索引值為1_20時的表示形式，然后查找其最大直接鄰接像素值為137，計算該點及其直接鄰接像素點的標(biāo)準(zhǔn)差為4.2，超出tre_high、tre_low限定的閾值范圍，結(jié)束如步驟2.2)所述的單次查找。當(dāng)然，結(jié)束查找的出口除了超出上下限閾值限定這一條件，還有就是查找次數(shù)這一約束條件，如果將圖中的“numFlOO”改為“nu血= 10”，則是重復(fù)10次并記錄10個像素點就結(jié)束，而不是記錄如圖4 (d)所示的20個像素點。
【具體實施方式】
[0032]下面結(jié)合附圖對本發(fā)明作進(jìn)一步描述。
[0033]參照圖1?圖4，一種基于灰度峰值的裂縫位置查找方法，包括以下步驟:
[0034]I)初始化，對于目標(biāo)圖像進(jìn)行灰度變換和負(fù)相變換轉(zhuǎn)換為負(fù)相灰度圖，同時設(shè)定初始閾值。
[0035]1.1)采用RGB彩色空間下的灰度變換，將原本的彩色圖像變換為灰度圖，為了檢測及描述的方便，將灰度圖進(jìn)行負(fù)